CN114359183A - 图像质量评估方法及设备、镜头遮挡的确定方法 - Google Patents
图像质量评估方法及设备、镜头遮挡的确定方法 Download PDFInfo
- Publication number
- CN114359183A CN114359183A CN202111553475.XA CN202111553475A CN114359183A CN 114359183 A CN114359183 A CN 114359183A CN 202111553475 A CN202111553475 A CN 202111553475A CN 114359183 A CN114359183 A CN 114359183A
- Authority
- CN
- China
- Prior art keywords
- original image
- determining
- value
- image
- evaluation value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Studio Devices (AREA)
Abstract
本发明公开了一种图像质量评估方法及设备、镜头遮挡的确定方法,用于对监控***中拍摄的图像进行模糊检测,从而根据模糊程度确定镜头是否被遮挡,避免由于摄像镜头上的保护膜导致的图像模糊现象。该方法包括:对原始图像进行模糊处理,得到模糊图像;根据所述模糊图像和所述原始图像的差异信息,确定所述原始图像的质量评估值。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种图像质量评估方法及设备、镜头遮挡的确定方法。
背景技术
随着近几年“智慧城市”建设与“平安城市”建设的大规模开展,每个城市都安装了大量的安防摄像机,随之带来的便是海量的视频监控数据。由于视频监控***通常存在布控范围大、工作时间长的特点,因此安装人员经常忘记撕去摄像镜头上的保护膜,导致拍摄画面质量下降。在实际使用中摄像头保护膜未撕的情况会形成模糊干扰,不仅会降低视频的可解释性,而且容易引发不可预测的潜在风险。因此,如何对监控***中拍摄的图像进行模糊检测,已经成为亟需解决的技术问题。
发明内容
本发明提供一种图像质量评估方法及设备、镜头遮挡的确定方法,用于对监控***中拍摄的图像进行模糊检测,从而根据模糊程度确定镜头是否被遮挡,避免由于摄像镜头上的保护膜导致的图像模糊现象。
第一方面,本发明实施例提供的一种图像质量评估方法,该方法包括:
对原始图像进行模糊处理,得到模糊图像;
根据所述模糊图像和所述原始图像的差异信息,确定所述原始图像的质量评估值。
本实施例可以基于原始图像和对原始图像进行模糊处理得到的模糊图像之间的差异信息,确定原始图像的模糊程度,从而根据模糊程度确定镜头是否被遮挡,避免由于摄像镜头上的保护膜导致的图像模糊现象。
作为一种可选的实施方式,所述根据所述模糊图像和所述原始图像的差异信息,确定所述原始图像的质量评估值,包括:
确定所述原始图像的第一灰度直方图,以及所述模糊图像的第二灰度直方图;
根据所述第一灰度直方图和所述第二灰度直方图的相似度,确定所述原始图像的质量评估值。
作为一种可选的实施方式,该方法还包括:
确定所述原始图像的至少一个参考特征,其中所述参考特征用于表征所述原始图像的纹理信息;
根据所述至少一个参考特征,确定与所述至少一个参考特征对应的所述原始图像的参考模糊评估值。
作为一种可选的实施方式,所述根据所述至少一个参考特征,确定与所述至少一个参考特征对应的所述原始图像的参考模糊评估值之后,还包括:
根据所述至少一个参考特征对应的参考模糊评估值,对所述质量评估值进行修正,得到新的质量评估值。
作为一种可选的实施方式,所述根据所述至少一个参考特征对应的参考模糊评估值,对所述质量评估值进行修正,得到新的质量评估值,包括:
利用所述质量评估值对应的目标权重,以及各个参考模糊评估值分别对应的参考权重,对所述质量评估值和各个参考模糊评估值进行加权求和,得到所述新的质量评估值。
作为一种可选的实施方式,所述目标权重和所述参考权重是根据所述原始图像的纹理特征确定的。
作为一种可选的实施方式,所述参考特征包括奇异值特征,所述确定所述原始图像的至少一个参考特征,根据所述至少一个参考特征,确定所述至少一个参考特征对应的所述原始图像的参考模糊评估值,包括:
根据奇异值分解方法,确定所述原始图像对应的奇异值序列,其中所述奇异值序列中的多个奇异值按预设顺序排列;
统计至少一个目标奇异值的第一总和,以及所述奇异值序列中奇异值的第二总和,其中所述目标奇异值是所述奇异值序列中位于预设排列次序的奇异值;
将所述第一总和与所述第二总和的比值,确定为所述奇异值特征对应的参考模糊评估值。
作为一种可选的实施方式,所述参考特征包括边缘特征,所述确定所述原始图像的至少一个参考特征,根据所述至少一个参考特征,确定所述至少一个参考特征对应的所述原始图像的参考模糊评估值,包括:
根据边缘检测方法,确定所述原始图像的边缘特征,并根据所述边缘特征确定所述原始图像的纹理特征值;
将所述纹理特征值,确定为所述边缘特征对应的参考模糊评估值。
第二方面,本发明实施例提供的一种镜头遮挡的确定方法,该方法包括:
根据摄像设备在预设时段内拍摄的N帧图像,确定N帧原始图像;
通过第一方面所述的图像质量评估方法,获得所述N帧原始图像分别对应的质量评估值;
根据获得的N个质量评估值,确定所述摄像设备的镜头在所述预设时段内是否被遮挡。
作为一种可选的实施方式,所述根据获得的N个质量评估值,确定所述摄像设备的镜头在所述预设周期内是否被遮挡,包括:
根据所述N个质量评估值的均值,确定所述摄像设备的镜头在所述预设周期内是否被遮挡。
第三方面,本发明实施例还提供一种图像的模糊程度评估设备,该设备包括处理器和存储器,所述存储器用于存储所述处理器可执行的程序,所述处理器用于读取所述存储器中的程序并执行如下步骤:
对原始图像进行模糊处理,得到模糊图像;
根据所述模糊图像和所述原始图像的差异信息,确定所述原始图像的质量评估值。
作为一种可选的实施方式,所述处理器具体被配置为执行:
确定所述原始图像的第一灰度直方图,以及所述模糊图像的第二灰度直方图;
根据所述第一灰度直方图和所述第二灰度直方图的相似度,确定所述原始图像的质量评估值。
作为一种可选的实施方式,所述处理器具体还被配置为执行:
确定所述原始图像的至少一个参考特征,其中所述参考特征用于表征所述原始图像的纹理信息;
根据所述至少一个参考特征,确定与所述至少一个参考特征对应的所述原始图像的参考模糊评估值。
作为一种可选的实施方式,所述根据所述至少一个参考特征,确定与所述至少一个参考特征对应的所述原始图像的参考模糊评估值之后,所述处理器具体还被配置为执行:
根据所述至少一个参考特征对应的参考模糊评估值,对所述质量评估值进行修正,得到新的质量评估值。
作为一种可选的实施方式,所述处理器具体被配置为执行:
利用所述质量评估值对应的目标权重,以及各个参考模糊评估值分别对应的参考权重,对所述质量评估值和各个参考模糊评估值进行加权求和,得到所述新的质量评估值。
作为一种可选的实施方式,所述目标权重和所述参考权重是根据所述原始图像的纹理特征确定的。
作为一种可选的实施方式,所述参考特征包括奇异值特征,所述处理器具体被配置为执行:
根据奇异值分解方法,确定所述原始图像对应的奇异值序列,其中所述奇异值序列中的多个奇异值按预设顺序排列;
统计至少一个目标奇异值的第一总和,以及所述奇异值序列中奇异值的第二总和,其中所述目标奇异值是所述奇异值序列中位于预设排列次序的奇异值;
将所述第一总和与所述第二总和的比值,确定为所述奇异值特征对应的参考模糊评估值。
作为一种可选的实施方式,所述参考特征包括边缘特征,所述处理器具体被配置为执行:
根据边缘检测方法,确定所述原始图像的边缘特征,并根据所述边缘特征确定所述原始图像的纹理特征值;
将所述纹理特征值,确定为所述边缘特征对应的参考模糊评估值。
第四方面,本发明实施例还提供一种图像的模糊程度评估装置,该装置包括:
模糊处理单元,用于对原始图像进行模糊处理,得到模糊图像;
差异评估单元,用于根据所述模糊图像和所述原始图像的差异信息,确定所述原始图像的质量评估值。
作为一种可选的实施方式,所述差异评估单元具体用于:
确定所述原始图像的第一灰度直方图,以及所述模糊图像的第二灰度直方图;
根据所述第一灰度直方图和所述第二灰度直方图的相似度,确定所述原始图像的质量评估值。
作为一种可选的实施方式,还包括参考评估单元用于:
确定所述原始图像的至少一个参考特征,其中所述参考特征用于表征所述原始图像的纹理信息;
根据所述至少一个参考特征,确定与所述至少一个参考特征对应的所述原始图像的参考模糊评估值。
作为一种可选的实施方式,所述根据所述至少一个参考特征,确定与所述至少一个参考特征对应的所述原始图像的参考模糊评估值之后,还包括模糊修正单元具体用于:
根据所述至少一个参考特征对应的参考模糊评估值,对所述质量评估值进行修正,得到新的质量评估值。
作为一种可选的实施方式,所述模糊修正单元具体用于:
利用所述质量评估值对应的目标权重,以及各个参考模糊评估值分别对应的参考权重,对所述质量评估值和各个参考模糊评估值进行加权求和,得到所述新的质量评估值。
作为一种可选的实施方式,所述目标权重和所述参考权重是根据所述原始图像的纹理特征确定的。
作为一种可选的实施方式,所述参考特征包括奇异值特征,所述参考评估单元具体用于:
根据奇异值分解方法,确定所述原始图像对应的奇异值序列,其中所述奇异值序列中的多个奇异值按预设顺序排列;
统计至少一个目标奇异值的第一总和,以及所述奇异值序列中奇异值的第二总和,其中所述目标奇异值是所述奇异值序列中位于预设排列次序的奇异值;
将所述第一总和与所述第二总和的比值,确定为所述奇异值特征对应的参考模糊评估值。
作为一种可选的实施方式,所述参考特征包括边缘特征,所述参考评估单元具体用于:
根据边缘检测方法,确定所述原始图像的边缘特征,并根据所述边缘特征确定所述原始图像的纹理特征值;
将所述纹理特征值,确定为所述边缘特征对应的参考模糊评估值。
第五方面,本发明实施例还提供计算机存储介质,其上存储有计算机程序,该程序被处理器执行时用于实现上述第一方面所述方法的步骤。
本申请的这些方面或其他方面在以下的实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种图像质量评估方法的实施流程图;
图2为本发明实施例提供的一种完整的质量评估方法实施流程图;
图3为本发明实施例提供的一种镜头遮挡的确定方法的实施流程图;
图4为本发明实施例提供的一种图像质量评估设备示意图;
图5为本发明实施例提供的一种图像质量评估装置示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明实施例中术语“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定,本领域普通技术人员可知,随着新应用场景的出现,本发明实施例提供的技术方案对于类似的技术问题,同样适用。其中,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
随着近几年“智慧城市”建设与“平安城市”建设在全国各地的大规模开展,每个城市都安装了大量的安防摄像机,随之带来的便是海量的视频监控数据。如何高效的分析这些数据成为了亟待解决的问题。如此规模的数据运用人工来进行评估分析是不可行的,不仅仅会极大的浪费人力,而且会带来高昂的成本。而摄像头保护膜未撕自动检测算法可以在很大程度上解决这个问题。由于视频监控***往往存在布控范围大、工作时间长的特点,因此安装人员经常出现忘记撕去摄像头镜头上的保护膜,导致拍摄画面质量下降的问题。在实际使用中,保护膜未撕导致的模糊干扰不仅降低了视频的可解释性,而且容易引发不可预测的潜在风险。因此,对监控***的保护膜未撕检测尤为重要。
监控视频中由于摄像头镜头的保护膜未撕导致的干扰,最为显著的特征便是画面呈现明显的模糊,同时大量的细节纹理丢失,因此可以利用评估画面清晰程度以及细节纹理的程度来判断是否存在保护膜未撕的问题。但是,由于真实自然场景的复杂性以及图像前景的干扰,监控视频保护膜未撕检测存在如下几个难点:1)保护膜未撕导致的画面不清晰相对较弱,部分情况肉眼都难以判断;2)正常无损的监控视频中在某些特殊的情况会产生类似的画面不清晰;3)复杂的图像纹理也会极大的影响监控视频中保护膜未撕导致的模糊干扰的检测。
实施例1、为了解决目前摄像设备的摄像头是否存在保护膜的问题,本实施例提出一种图像质量评估方法,应用于各种图像模糊程度评估场景,能够有效针对监控***中由于摄像镜头上的保护膜导致拍摄的图像的模糊程度进行评估,从而根据模糊程度确定镜头是否被遮挡,避免由于摄像镜头上的保护膜导致的图像模糊现象。
本实施例提供的一种图像质量评估方法,核心思想是利用原始图像的模糊图像和原始图像之间的差异程度,确定原始图像的模糊程度,实施的原理是,由于清晰图像相较于模糊图像,细节纹理更加丰富,具体体现在局部小区域中清晰图像的灰度值可能变化较大,因此施加模糊操作的前后,清晰图像会产生较大的变化。而模糊图像局部小区域会比较平滑,体现在灰度值变化较小,因此施加模糊操作的前后,模糊图像的差异会更小。因此,本实施例可以基于原始图像和对原始图像进行模糊处理得到的模糊图像之间的差异程度,确定原始图像的模糊程度。
如图1所示,本实施例提供的一种图像质量评估方法的实施流程如下所示:
步骤100、对原始图像进行模糊处理,得到模糊图像;
其中所述原始图像是根据拍摄的帧图像确定的;
在一些实施例中,本实施例中的原始图像是对拍摄的帧图像进行灰度提取得到的帧图像的灰度图像。可选的,原始图像可以是拍摄的帧图像进行灰度提取得到的Y通道图像。
在一些实施例中,对拍摄的帧图像进行灰度提取之前,本实施例还可以对拍摄的帧图像进行去噪处理,去除帧图像中的噪声,以避免噪声会对后续的模糊评估算法造成较大影响,实施中,可以利用高斯滤波去除帧图像中的噪声,即对拍摄的帧图像进行高斯滤波,得到去噪后的帧图像。然后,利用去噪后的帧图像进行灰度提取。
在一些实施例中,对拍摄的帧图像进行灰度提取之后,还可以对得到的灰度图像或Y通道图像进行去噪处理,以避免噪声会对后续的模糊评估算法造成较大影响,实施中,可以利用高斯滤波去除帧图像中的噪声,即对拍摄的帧图像进行高斯滤波,得到去噪后的Y通道图像,然后,将去噪后的Y通道图像作为原始图像进行模糊程度评估。
在一些实施例中,本实施例中的原始图像是灰度图、梯度图和帧差图中的至少一种,具体可以根据实际需求确定,本实施例对此不作过多限定。其中,灰度图是对拍摄的帧图像进行灰度转换得到的,梯度图是对拍摄的帧图像进行梯度计算得到的,帧差图是对拍摄的相邻帧图像进行帧差处理得到的。
在一些实施例中,图像的模糊处理的数学表达式如下所示:
其中,y为模糊图像,x为原始图像,k为模糊核,n为随机噪声。
实施中,可根据实际情况选择不同的模糊方式,具体通过选取不同的模糊核进行不同的模糊方式。例如可以选取全1矩阵的模糊核,则模糊方式为均值模糊。也可以使用高斯模糊,具体可以根据高斯曲线对原始图像中任意一个像素点的4邻域或8邻域中的像素点的像素值进行加权平均处理,以去掉原始图像的细节,使得原始图像变得模糊,其中高斯模糊函数的数学形式如下所示:
其中,k(h,v)表示模糊核;σ为标准差,是一个可配参数;h和v分别表示为任意一个像素点的周围领域像素点中的行坐标和列坐标(即相对坐标)。例如,像素点(0,0)的8领域中的相对坐标如下表所示:
(-1,1) | (0,1) | (1,1) |
(-1,0) | (0,0) | (1,0) |
(-1,-1) | (0,-1) | (1,-1) |
步骤101、根据所述模糊图像和所述原始图像的差异信息,确定所述原始图像的质量评估值。
其中,本实施例中的质量评估值用于评价原始图像的模糊程度。
在一些实施例中,获得模糊图像之后,可以利用直方图相似度的方法来评估模糊前后的差异程度(差异信息),实施中,可以通过如下方式确定质量评估值:
确定所述原始图像的第一灰度直方图,以及所述模糊图像的第二灰度直方图;其中,对原始图像进行灰度处理得到原始图像的灰度图,对原始图像的灰度图统计不同灰度级对应的像素点的数量,得到第一灰度直方图;同理,对模糊图像进行灰度处理得到模糊图像的灰度图,对模糊图像的灰度图统计不同灰度级对应的像素点的数量,得到第二灰度直方图;需要说明的是,灰度直方图中的横轴表示灰度级,纵轴表示与不同灰度级对应的像素点的数量。
根据所述第一灰度直方图和所述第二灰度直方图的相似度,确定所述原始图像的质量评估值。
在一些实施例中,可以通过如下任意一种方式确定灰度直方图之间的相似度:
方式(1)通过卡方距离确定相似度d(H1,H2)。
其中,H1表示第一灰度直方图,H2表示第二灰度直方图,i表示像素点编号,i为正整数。
方式(2)通过相关性确定相似度d(H1,H2)。
方式(3)通过十字交叉性确定相似度d(H1,H2)。
其中,H1表示第一灰度直方图,H2表示第二灰度直方图,i表示像素点编号,i为正整数。
方式(4)通过巴氏距离(Bhattacharyya)确定相似度d(H1,H2)。
其中,H1表示第一灰度直方图,H2表示第二灰度直方图,i表示像素点编号,i为正整数,N为第一灰度直方图或第二灰度直方图中的像素点的总数量,其中第一灰度直方图和第二灰度直方图中的像素点的总数量是相同的。
实际使用中,可以根据具体场景确定使用哪种方式确定相似度,本实施例对此不作过多限定。
实施中,可以将第一灰度直方图和所述第二灰度直方图的相似度,确定为原始图像的质量评估值。
实施中,如果模糊图像和所述原始图像的差异信息大于阈值,则确定所述原始图像为清晰图像,若模糊图像和所述原始图像的差异信息小于等于阈值,则确定所述原始图像为模糊图像。
在一些实施例中,本实施例还可以利用参考特征确定参考模糊评估值,以用于修正质量评估值,提高模糊程度评估的准确性,具体确定参考模糊评估值的步骤如下所示:
步骤1)确定所述原始图像的至少一个参考特征,其中所述参考特征用于表征所述原始图像的纹理信息;
在一些实施例中,本实施例中的参考特征包括奇异值特征和边缘特征中的至少一种,其中奇异值特征和边缘特征都可以用于表征原始图像的细节的纹理程度,因此可以基于奇异值特征和边缘特征中的至少一种,作为参考特征,确定参考模糊评估值,以用于修正质量评估值。
步骤2)根据所述至少一个参考特征,确定与所述至少一个参考特征对应的所述原始图像的参考模糊评估值。
需要说明的是,参考特征与参考模糊评估值是一一对应的,即一个参考特征能够确定一个参考模糊评估值,例如边缘特征能够确定边缘特征对应的参考模糊评估值,奇异值特征能够确定奇异值特征对应的参考模糊评估值。
在一些实施例中,还可以通过如下步骤对质量评估值进行修正:
步骤3)根据所述至少一个参考特征对应的参考模糊评估值,对所述质量评估值进行修正,得到新的质量评估值。
在一些实施例中,通过加权求和的方式进行修正,具体实施方法如下所示:
利用所述质量评估值对应的目标权重,以及各个参考模糊评估值分别对应的参考权重,对所述质量评估值和各个参考模糊评估值进行加权求和,得到所述新的质量评估值。
实施中,如果参考模糊评估值为一个,则利用所述质量评估值对应的目标权重,以及该参考模糊评估值对应的参考权重,对所述质量评估值和该参考模糊评估值进行加权求和,得到所述新的质量评估值。
如果参考模糊评估值包括两个,分别为边缘特征对应的参考模糊评估值,和奇异值特征对应的参考模糊评估值,为了便于描述,下面将奇异值特征对应的参考模糊评估值作为第一参考模糊评估值,将边缘特征对应的参考模糊评估值作为第二参考模糊评估值进行说明。
实施中,利用所述质量评估值对应的目标权重,第一参考模糊评估值对应的参考权重,以及第二参考模糊评估值对应的参考权重,分别对所述质量评估值、第一参考模糊评估值和第二参考模糊评估值进行加权求和,得到所述新的质量评估值。
在一些实施例中,目标权重和各个参考权重是根据原始图像的纹理特征确定的。例如,可以通过原始图像的纹理特征构造质量评估值的参考权重和第一参考模糊评估值的目标权重。本实施对具体如何构建参考权重、目标权重的方式不作过多限定。
在一些实施例中,如果确定第二参考模糊评估值(即通过边缘特征确定的原始图像的纹理程度)大于阈值,则表示原始图像具有丰富的细节纹理特征,直接设置第二参考模糊评估值的权重为1,质量评估值和第一参考模糊评估值的权重均为0,或者,直接确定原始图像为清晰图像,并不存在镜头遮挡(保护膜未撕)的情况。
如果确定第二参考模糊评估值小于等于阈值,则根据第二参考模糊评估值构造第一参考模糊评估值的参考权重和质量评估值的目标权重,并设置第二参考模糊评估值的参考权重为0,其中,构造权重的方法如下所示:
其中,α,β为超参数,可预先定义,CS表示第二参考模糊评估值,w1表示目标权重,w2表示第一参考模糊评估值(即通过奇异值特征确定的原始图像的纹理程度)的参考权重。
可选的,利用构造的权重确定新的质量评估值的公式如下:
w1·d(H1,H2)+w2·Γ 公式(8);
其中,w1表示目标权重,d(H1,H2)表示质量评估值,w2表示第一参考模糊评估值的参考权重,Γ表示第一参考模糊评估值。其中,新的质量评估值=w1·d(H1,H2)+w2·Γ。
在一些实施例中,本实施例基于奇异值特征确定参考模糊评估值的方法具体如下所示:
(1)根据奇异值分解方法,确定所述原始图像对应的奇异值序列,其中所述奇异值序列中的多个奇异值按预设顺序排列;
实施中,基于图像压缩领域的奇异值分解算法,通过选取奇异值的数量来控制压缩倍数,奇异值的数量也能够影响原始图像的细节纹理的丢失程度。本实施例中可以使用单通道(原始图像的Y通道图像)的奇异值统计特征来度量覆盖保护膜后图像的细节纹理程度,若将Y通道图像矩阵记为I,假设I是一个m×n阶矩阵,其中的元素全部属于域K,也就是实数域或复数域。如此则存在一个分解使得I=UΣV*;
其中,U是m×m阶酉矩阵;Σ是半正定m×n阶对角矩阵;而V*,即V的共轭转置,是n×n阶酉矩阵。这样的分解就称作I的奇异值分解。其中矩阵Σ中的对角线元素Σi即为I的奇异值。
在一些实施例中,可以将奇异值从大到小的顺序排列,得到奇异值序列;或者,将奇异值从小到大的顺序排列,得到奇异值序列。
(2)统计至少一个目标奇异值的第一总和,以及所述奇异值序列中奇异值的第二总和,其中所述目标奇异值是所述奇异值序列中位于预设排列次序的奇异值;
在一些实施例中,将奇异值序列中前M个奇异值确定为目标奇异值,或者,将奇异值序列中后M个奇异值确定为目标奇异值,或,将奇异值序列中处于中间排列次序的M个奇异值确定为目标奇异值,其中,M为正整数。本实施例对具体如何确定目标奇异值的方法不作过多限定,具体可以根据实际需求确定。
(3)将所述第一总和与所述第二总和的比值,确定为所述奇异值特征对应的参考模糊评估值(即第一参考模糊评估值)。
实施中,将所有目标奇异值的总和,与奇异值序列中所有奇异值的总和的比值,作为基于奇异值特征确定的参考模糊评估值,用于度量原始图像的细节纹理程度,比值越大说明原始图像越模糊,若设第一参考模糊评估值为Γ,则计算公式为:
其中,N表示奇异值序列中的奇异值数量,M表示目标奇异值的数量,λi表示奇异值序列中的奇异值,i表示奇异值序列中的排列次序,其中N和M均为正整数。
在一些实施例中,本实施例基于边缘特征确定参考模糊评估值的方法具体如下所示:
(1)根据边缘检测方法,确定所述原始图像的边缘特征,并根据所述边缘特征确定所述原始图像的纹理特征值;
(2)将所述纹理特征值,确定为所述边缘特征对应的参考模糊评估值。
实施中,可以利用canny边缘检测方法,提取原始图像的边缘特征。具体进行边缘检测的方法实施步骤如下所示:
a)计算原始图像的梯度强度和方向。其中,如果原始图像没有进行去噪处理,则需要先对原始图像进行去噪处理后计算梯度强度和方向。
其中,G(i,j)为梯度强度;θ为梯度方向;gx(i,j)和gy(i,j)分别是x和y方向的梯度,gx表示x方向的梯度,gy表示y方向的梯度;i表示原始图像中像素点在x方向上的位置,j表示原始图像中像素点在y方向上的位置。
b)基于梯度方向通过非极大值抑制方法得到边缘特征,需要说明的是,此处得到的边缘特征实际上也可理解为图像,即提取原始图像的边缘特征,得到该原始图像的边缘特征图像。得到边缘特征后,可以通过如下公式计算原始图像的纹理程度,即纹理特征值:
其中,CS表示纹理特征值,M,N分别为边缘特征图像的宽和高,C(x,y)表示边缘特征图像中的像素点,x,y分别表示像素点在X方向的坐标值,像素点在Y方向的坐标值。如果纹理特征值超过阈值,那么就表示原始图像具有丰富的细节纹理特征,通常不会存在保护膜未撕的情况。如果纹理特征值未超过阈值,则可以利用该纹理特征值构造质量评估值和第一参考模糊评估值的权重。
在一些实施例中,由于过亮、过暗的场景容易影响图像模糊评估的准确性,因此可基于全局像素均值来对原始图像,或对原始图像进行图像模糊评估过程中得到的过程图像,基于全局像素均值来过滤过亮、过暗的场景。可以针对无纹理路面、玻璃门等场景,有选择性的将其过滤。
在一些实施例中,如图2所示,本实施例还提供一种完整的模糊程度评估方法,实施流程如下所示:
步骤200、将拍摄的帧图像进行灰度处理,得到Y通道图像;
步骤201、将Y通道图像进行去噪处理,得到原始图像;
步骤202、对原始图像进行模糊处理,得到模糊图像;
步骤203、确定原始图像的第一灰度直方图和模糊图像的第二灰度直方图;根据第一灰度直方图和第二灰度直方图的相似度,确定所述原始图像的质量评估值;
步骤204、根据奇异值分解方法,确定所述原始图像对应的奇异值序列;
步骤205、统计至少一个目标奇异值的第一总和,以及奇异值序列中奇异值的第二总和,将第一总和与第二总和的比值,确定为奇异值特征对应的第一参考模糊评估值;
步骤206、根据边缘检测方法,确定原始图像的边缘特征;
步骤207、根据边缘特征确定原始图像的纹理特征值,将纹理特征值确定为边缘特征对应的第二参考模糊评估值。
其中,上述步骤202-203、步骤204-205、步骤206-207是三个并列的执行过程,本实施例对这三个并列的执行过程的执行先后顺序不作限定。
步骤208、判断第二参考模糊评估值是否大于阈值,若是执行步骤209,否则执行步骤210;
步骤209、确定原始图像清晰;
步骤210、根据第二参考模糊评估值构建质量评估值的目标权重和第一参考模糊评估值的参考权重,对质量评估值和第一参考模糊评估值进行加权求和,得到新的质量评估值。
实施中,可以通过上述公式(8)构造权重,此处不再赘述。
实施例2、基于相同的发明构思,本发明实施例还提供了一种镜头遮挡的确定方法,该方法解决问题的原理与一种图像质量评估方法相似,因此该方法的实施可以参见一种图像质量评估方法的实施,重复之处不再赘述。
如图3所示,本发明实施例提供的一种镜头遮挡的确定方法,实施流程如下所示:
步骤300、根据摄像设备在预设时段内拍摄的N帧图像,确定N帧原始图像;
在一些实施例中,针对每一帧图像,进行灰度处理得到灰度图像或Y通道图像,对灰度图像或Y通道图像进行去噪处理,得到与该帧图像对应的原始图像,针对N帧图像中的任意一帧图像执行上述过程,得到N帧原始图像。
可选的,N帧图像可以是预设时段内拍摄到的连续的N帧图像,也可以是按预设周期采集得到的N帧图像,本实施例对此不作过多限定。
步骤301、通过实施例中的一种图像质量评估方法,获得所述N帧原始图像分别对应的质量评估值;
其中对每一帧原始图像,利用上述实施例1中确定图像质量评估方法,得到该帧原始图像对应的质量评估值,具体实施方式可参见上述描述,此处不再赘述。
步骤302、根据获得的N个质量评估值,确定所述摄像设备的镜头在所述预设时段内是否被遮挡。
在一些实施例中,根据所述N个质量评估值的均值,确定所述摄像设备的镜头在所述预设周期内是否被遮挡。
在一些实施例中,针对每一帧原始图像通过如下方式确定对应的质量评估值:
对所述原始图像进行模糊处理,得到模糊图像;
根据所述模糊图像和所述原始图像的差异信息,确定所述原始图像的质量评估值。
在一些实施例中,所述根据所述模糊图像和所述原始图像的差异信息,确定所述原始图像的质量评估值,包括:
确定所述原始图像的第一灰度直方图,以及所述模糊图像的第二灰度直方图;
根据所述第一灰度直方图和所述第二灰度直方图的相似度,确定所述原始图像的质量评估值。
在一些实施例中,该方法还包括:
确定所述原始图像的至少一个参考特征,其中所述参考特征用于表征所述原始图像的纹理信息;
根据所述至少一个参考特征,确定与所述至少一个参考特征对应的所述原始图像的参考模糊评估值。
在一些实施例中,所述根据所述至少一个参考特征,确定与所述至少一个参考特征对应的所述原始图像的参考模糊评估值之后,还包括:
根据所述至少一个参考特征对应的参考模糊评估值,对所述质量评估值进行修正,得到新的质量评估值。
在一些实施例中,所述根据所述至少一个参考特征对应的参考模糊评估值,对所述质量评估值进行修正,得到新的质量评估值,包括:
利用所述质量评估值对应的目标权重,以及各个参考模糊评估值分别对应的参考权重,对所述质量评估值和各个参考模糊评估值进行加权求和,得到所述新的质量评估值。
在一些实施例中,所述目标权重和所述参考权重是根据所述原始图像的纹理特征确定的。
在一些实施例中,所述参考特征包括奇异值特征,所述确定所述原始图像的至少一个参考特征,根据所述至少一个参考特征,确定所述至少一个参考特征对应的所述原始图像的参考模糊评估值,包括:
根据奇异值分解方法,确定所述原始图像对应的奇异值序列,其中所述奇异值序列中的多个奇异值按预设顺序排列;
统计至少一个目标奇异值的第一总和,以及所述奇异值序列中奇异值的第二总和,其中所述目标奇异值是所述奇异值序列中位于预设排列次序的奇异值;
将所述第一总和与所述第二总和的比值,确定为所述奇异值特征对应的参考模糊评估值。
在一些实施例中,所述参考特征包括边缘特征,所述确定所述原始图像的至少一个参考特征,根据所述至少一个参考特征,确定所述至少一个参考特征对应的所述原始图像的参考模糊评估值,包括:
根据边缘检测方法,确定所述原始图像的边缘特征,并根据所述边缘特征确定所述原始图像的纹理特征值;
将所述纹理特征值,确定为所述边缘特征对应的参考模糊评估值。
实施例3、基于相同的发明构思,本发明实施例还提供了一种图像的模糊程度评估设备,由于该设备即是本发明实施例中的方法中的设备,并且该设备解决问题的原理与该方法相似,因此该设备的实施可以参见方法的实施,重复之处不再赘述。
如图4所示,该设备包括处理器400和存储器401,所述存储器401用于存储所述处理器400可执行的程序,所述处理器400用于读取所述存储器401中的程序并执行如下步骤:
对原始图像进行模糊处理,得到模糊图像;
根据所述模糊图像和所述原始图像的差异信息,确定所述原始图像的质量评估值。
作为一种可选的实施方式,所述处理器400具体被配置为执行:
确定所述原始图像的第一灰度直方图,以及所述模糊图像的第二灰度直方图;
根据所述第一灰度直方图和所述第二灰度直方图的相似度,确定所述原始图像的质量评估值。
作为一种可选的实施方式,所述处理器400具体还被配置为执行:
确定所述原始图像的至少一个参考特征,其中所述参考特征用于表征所述原始图像的纹理信息;
根据所述至少一个参考特征,确定与所述至少一个参考特征对应的所述原始图像的参考模糊评估值。
作为一种可选的实施方式,所述根据所述至少一个参考特征,确定与所述至少一个参考特征对应的所述原始图像的参考模糊评估值之后,所述处理器400具体还被配置为执行:
根据所述至少一个参考特征对应的参考模糊评估值,对所述质量评估值进行修正,得到新的质量评估值。
作为一种可选的实施方式,所述处理器400具体被配置为执行:
利用所述质量评估值对应的目标权重,以及各个参考模糊评估值分别对应的参考权重,对所述质量评估值和各个参考模糊评估值进行加权求和,得到所述新的质量评估值。
作为一种可选的实施方式,所述目标权重和所述参考权重是根据所述原始图像的纹理特征确定的。
作为一种可选的实施方式,所述参考特征包括奇异值特征,所述处理器400具体被配置为执行:
根据奇异值分解方法,确定所述原始图像对应的奇异值序列,其中所述奇异值序列中的多个奇异值按预设顺序排列;
统计至少一个目标奇异值的第一总和,以及所述奇异值序列中奇异值的第二总和,其中所述目标奇异值是所述奇异值序列中位于预设排列次序的奇异值;
将所述第一总和与所述第二总和的比值,确定为所述奇异值特征对应的参考模糊评估值。
作为一种可选的实施方式,所述参考特征包括边缘特征,所述处理器400具体被配置为执行:
根据边缘检测方法,确定所述原始图像的边缘特征,并根据所述边缘特征确定所述原始图像的纹理特征值;
将所述纹理特征值,确定为所述边缘特征对应的参考模糊评估值。
实施例4、基于相同的发明构思,本发明实施例还提供了一种图像的模糊程度评估装置,由于该装置即是本发明实施例中的方法中的装置,并且该装置解决问题的原理与该方法相似,因此该装置的实施可以参见方法的实施,重复之处不再赘述。
如图5所示,该装置包括:
模糊处理单元500,用于对原始图像进行模糊处理,得到模糊图像;
差异评估单元501,用于根据所述模糊图像和所述原始图像的差异信息,确定所述原始图像的质量评估值。
作为一种可选的实施方式,所述差异评估单元501具体用于:
确定所述原始图像的第一灰度直方图,以及所述模糊图像的第二灰度直方图;
根据所述第一灰度直方图和所述第二灰度直方图的相似度,确定所述原始图像的质量评估值。
作为一种可选的实施方式,还包括参考评估单元用于:
确定所述原始图像的至少一个参考特征,其中所述参考特征用于表征所述原始图像的纹理信息;
根据所述至少一个参考特征,确定与所述至少一个参考特征对应的所述原始图像的参考模糊评估值。
作为一种可选的实施方式,所述根据所述至少一个参考特征,确定与所述至少一个参考特征对应的所述原始图像的参考模糊评估值之后,还包括模糊修正单元具体用于:
根据所述至少一个参考特征对应的参考模糊评估值,对所述质量评估值进行修正,得到新的质量评估值。
作为一种可选的实施方式,所述模糊修正单元具体用于:
利用所述质量评估值对应的目标权重,以及各个参考模糊评估值分别对应的参考权重,对所述质量评估值和各个参考模糊评估值进行加权求和,得到所述新的质量评估值。
作为一种可选的实施方式,所述目标权重和所述参考权重是根据所述原始图像的纹理特征确定的。
作为一种可选的实施方式,所述参考特征包括奇异值特征,所述参考评估单元具体用于:
根据奇异值分解方法,确定所述原始图像对应的奇异值序列,其中所述奇异值序列中的多个奇异值按预设顺序排列;
统计至少一个目标奇异值的第一总和,以及所述奇异值序列中奇异值的第二总和,其中所述目标奇异值是所述奇异值序列中位于预设排列次序的奇异值;
将所述第一总和与所述第二总和的比值,确定为所述奇异值特征对应的参考模糊评估值。
作为一种可选的实施方式,所述参考特征包括边缘特征,所述参考评估单元具体用于:
根据边缘检测方法,确定所述原始图像的边缘特征,并根据所述边缘特征确定所述原始图像的纹理特征值;
将所述纹理特征值,确定为所述边缘特征对应的参考模糊评估值。
基于相同的发明构思,本发明实施例还提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如下步骤:
对原始图像进行模糊处理,得到模糊图像;
根据所述模糊图像和所述原始图像的差异信息,确定所述原始图像的质量评估值。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的设备。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令设备的制造品,该指令设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (12)
1.一种图像质量评估方法,其特征在于,该方法包括:
对原始图像进行模糊处理,得到模糊图像;
根据所述模糊图像和所述原始图像的差异信息,确定所述原始图像的质量评估值。
2.根据权利要求1所述的方法,其特征在于,所述根据所述模糊图像和所述原始图像的差异信息,确定所述原始图像的质量评估值,包括:
确定所述原始图像的第一灰度直方图,以及所述模糊图像的第二灰度直方图;
根据所述第一灰度直方图和所述第二灰度直方图的相似度,确定所述原始图像的质量评估值。
3.根据权利要求1所述的方法,其特征在于,该方法还包括:
确定所述原始图像的至少一个参考特征,其中所述参考特征用于表征所述原始图像的纹理信息;
根据所述至少一个参考特征,确定与所述至少一个参考特征对应的所述原始图像的参考模糊评估值。
4.根据权利要求3所述的方法,其特征在于,所述根据所述至少一个参考特征,确定与所述至少一个参考特征对应的所述原始图像的参考模糊评估值之后,还包括:
根据所述至少一个参考特征对应的参考模糊评估值,对所述质量评估值进行修正,得到新的质量评估值。
5.根据权利要求4所述的方法,其特征在于,所述根据所述至少一个参考特征对应的参考模糊评估值,对所述质量评估值进行修正,得到新的质量评估值,包括:
利用所述质量评估值对应的目标权重,以及各个参考模糊评估值分别对应的参考权重,对所述质量评估值和各个参考模糊评估值进行加权求和,得到所述新的质量评估值。
6.根据权利要求5所述的方法,其特征在于,所述目标权重和所述参考权重是根据所述原始图像的纹理特征确定的。
7.根据权利要求2~6任一所述的方法,其特征在于,所述参考特征包括奇异值特征,所述确定所述原始图像的至少一个参考特征,根据所述至少一个参考特征,确定所述至少一个参考特征对应的所述原始图像的参考模糊评估值,包括:
根据奇异值分解方法,确定所述原始图像对应的奇异值序列,其中所述奇异值序列中的多个奇异值按预设顺序排列;
统计至少一个目标奇异值的第一总和,以及所述奇异值序列中奇异值的第二总和,其中所述目标奇异值是所述奇异值序列中位于预设排列次序的奇异值;
将所述第一总和与所述第二总和的比值,确定为所述奇异值特征对应的参考模糊评估值。
8.根据权利要求2~6任一所述的方法,其特征在于,所述参考特征包括边缘特征,所述确定所述原始图像的至少一个参考特征,根据所述至少一个参考特征,确定所述至少一个参考特征对应的所述原始图像的参考模糊评估值,包括:
根据边缘检测方法,确定所述原始图像的边缘特征,并根据所述边缘特征确定所述原始图像的纹理特征值;
将所述纹理特征值,确定为所述边缘特征对应的参考模糊评估值。
9.一种镜头遮挡的确定方法,其特征在于,该方法包括:
根据摄像设备在预设时段内拍摄的N帧图像,确定N帧原始图像;
通过权利要求1~8任一项所述的图像质量评估方法,获得所述N帧原始图像分别对应的质量评估值;
根据获得的N个质量评估值,确定所述摄像设备的镜头在所述预设时段内是否被遮挡。
10.根据权利要求9所述的方法,其特征在于,所述根据获得的N个质量评估值,确定所述摄像设备的镜头在所述预设周期内是否被遮挡,包括:
根据所述N个质量评估值的均值,确定所述摄像设备的镜头在所述预设周期内是否被遮挡。
11.一种图像的模糊程度评估设备,其特征在于,该设备包括处理器和存储器,所述存储器用于存储所述处理器可执行的程序,所述处理器用于读取所述存储器中的程序并执行权利要求1~8任一所述方法的步骤。
12.一种计算机存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1~8任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111553475.XA CN114359183A (zh) | 2021-12-17 | 2021-12-17 | 图像质量评估方法及设备、镜头遮挡的确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111553475.XA CN114359183A (zh) | 2021-12-17 | 2021-12-17 | 图像质量评估方法及设备、镜头遮挡的确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114359183A true CN114359183A (zh) | 2022-04-15 |
Family
ID=81099710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111553475.XA Pending CN114359183A (zh) | 2021-12-17 | 2021-12-17 | 图像质量评估方法及设备、镜头遮挡的确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114359183A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842000A (zh) * | 2022-07-01 | 2022-08-02 | 杭州同花顺数据开发有限公司 | 一种内窥镜图像质量评估方法和*** |
-
2021
- 2021-12-17 CN CN202111553475.XA patent/CN114359183A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842000A (zh) * | 2022-07-01 | 2022-08-02 | 杭州同花顺数据开发有限公司 | 一种内窥镜图像质量评估方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10963993B2 (en) | Image noise intensity estimation method, image noise intensity estimation device, and image recognition device | |
CN111723644A (zh) | 一种监控视频遮挡检测方法及*** | |
CN111340749B (zh) | 图像质量的检测方法、装置、设备及存储介质 | |
KR20110014067A (ko) | 스테레오 컨텐트의 변환 방법 및 시스템 | |
CN111967345B (zh) | 一种实时判定摄像头遮挡状态的方法 | |
CN110717922A (zh) | 一种图像清晰度评价方法及装置 | |
CN111192241B (zh) | 一种人脸图像的质量评估方法、装置及计算机存储介质 | |
CN112417955B (zh) | 巡检视频流处理方法及装置 | |
CN115063331B (zh) | 基于多尺度块lbp算子无鬼影多曝光图像融合方法 | |
CN114724000B (zh) | 一种屏拍图摩尔纹的处理方法、处理装置及处理设备 | |
CN116129195A (zh) | 图像质量评价装置、方法、电子设备和存储介质 | |
CN113808135B (zh) | 图像亮度异常检测方法、电子设备及存储介质 | |
CN114359183A (zh) | 图像质量评估方法及设备、镜头遮挡的确定方法 | |
CN116228712A (zh) | 一种多尺度边坡灾害监测方法、***及装置 | |
CN113936242B (zh) | 一种视频图像干扰检测方法、***、设备以及介质 | |
CN115830513A (zh) | 一种图像场景变化确定的方法、装置、***及存储介质 | |
CN112233032B (zh) | 一种高动态范围图像鬼影消除的方法 | |
CN114994098A (zh) | 一种异物检测的方法及设备 | |
CN114339203A (zh) | 相机性能检测方法、设备和存储介质 | |
CN113592801A (zh) | 视频图像的条纹干扰检测方法及其装置 | |
CN111476821B (zh) | 基于在线学习的目标跟踪方法 | |
CN115409753B (zh) | 图像融合方法、装置、电子设备及计算机可读存储介质 | |
CN117788306B (zh) | 一种基于多线程的多焦距极耳图像融合方法 | |
CN113470001B (zh) | 一种用于红外图像的目标搜索方法 | |
CN113570596B (zh) | 一种基于人类视觉***的无参考结构清晰度评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |